| Summary: | Made available in DSpace on 2014-06-12T15:59:10Z (GMT). No. of bitstreams: 2
arquivo4926_1.pdf: 315649 bytes, checksum: 553e09d0e80e43b0ca2856dd4be49858 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2001 === As Redes Neurais Artificiais (RNAs) têm sido aplicadas com sucesso em uma
diversidade de problemas do mundo real. Contudo, o sucesso dessas redes para um
determinado problema depende muito de um projeto bem realizado. O projeto de redes
neurais envolve a definição de vários parâmetros, como, por exemplo, o tipo de rede, a
arquitetura, o algoritmo de treinamento utilizado, os parâmetros de treinamento, os
critérios de parada, dentre outros. A automatização (total ou parcial) do projeto de RNAs
tem como objetivos principais tornar o desempenho das redes menos sensível a decisões
erradas de um desenvolvedor inexperiente, além de torná-las acessíveis a usuários nãoespecialistas
em redes neurais. Como solução para o problema da automatização,
investigamos o uso de técnicas de Inteligência Artificial que, quando integradas com as
redes neurais, resultam em Sistemas Neurais Híbridos (SNHs). Nessa dissertação,
apresentamos duas aplicações desses Sistemas Híbridos para a previsão de séries
temporais, um problema de relevância fundamental em muitos domínios do mundo real.
Primeiramente, propomos um modelo de automatização integrando o Raciocínio Baseado
em Casos (RBC) e os Algoritmos Genéticos (AGs). No nosso modelo, o sistema de RBC
mantém uma base de casos em que cada caso armazena a descrição de um problema
resolvido com redes neurais e a solução aplicada. Diante de um novo problema, uma
consulta é feita à base de casos, recuperando as soluções usadas nos problemas mais
similares. Essas soluções são inseridas na população inicial dos AGs, que são
responsáveis por adaptá-las. Após a execução dos AGs, a solução final poderá ser
inserida na base de casos, para auxiliar a solução de problemas futuros. Como estudo de
caso, aplicamos o modelo proposto para a otimização da arquitetura de modelos neurais
de previsão. As redes geradas pelo modelo apresentaram maior poder de generalização,
além de um número menor de conexões de rede. Na segunda aplicação de SNHs,
investigamos o uso dos Algoritmos Genéticos durante o aprendizado dos pesos de uma
rede neural usada para a previsão de vazões em uma bacia hidrográfica. Nessa aplicação,
os AGs foram usados para definir os pesos iniciais da rede para o algoritmo de
Levenberg-Marquardt, formando assim um algoritmo de treinamento híbrido. O uso dos
AGs aumentou o desempenho do aprendizado, principalmente em relação ao tempo de
treinamento. Nessa dissertação, apresentamos as vantagens e limitações dos dois SNHs
desenvolvidos, além de indicações de trabalhos futuros.
|
|---|
